买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜中国矿业大学申请的专利基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114492574B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111579071.8，技术领域涉及：G06V10/764；该发明授权基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法是由潘杰;刘波;邹筱瑜设计研发完成，并于2021-12-22向国家知识产权局提交的专利申请。

本基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法在说明书摘要公布了：本发明公开了一种基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法，通过迁移学习或领域适应的方法来利用相关源域的大量可用的注释数据跨域迁移知识到相关目标域获得带标签的目标数据；提出的域适应方法融合了高斯均匀混合模型检测离群值与深度神经网络进行图像分类，利用高斯均匀混合模型对每一类的目标样本特征到类均值的余弦距离进行建模，得到目标样本后验概率作为估计目标样本伪标签的重要程度；基于训练过程产生的目标样本伪标签提出的辅助伪标签损失加入神经网络的训练；同时最小化条件熵损失使得学习到的特征远离决策边界；综合大量实验证明了所提方法能够提高深度网络模型的图片分类准确度。

本发明授权基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法在权利要求书中公布了：1.一种基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法，其特征在于，包括以下步骤：步骤S1、分别获取源域和目标域的图像，其中源域为已知域，图像带有标签，目标域为待分类域，图像无标签；基于多操作拼接对获取的图像进行预处理和增强；步骤S2、搭建预训练的深度神经网络；基于步骤S1中源域监督式的分类损失和对抗损失学习预训练神经网络，获得预训练后的特征提取器和分类器；步骤S3、建立高斯均匀混合模型；基于步骤S2获取的预训练后的特征提取器和分类器，首先将目标域的样本图像输入至预训练后的特征提取器进行特征提取；将提取到的特征输入至预训练后的分类器中获取目标样本伪标签；所述特征提取器提取的特征为目标域的样本特征；计算每一类目标样本到目标域的类特征均值的余弦距离；对每一类的目标样本计算的余弦距离进行建模，固定预训练的特征提取器和分类器参数，并通过期望最大化的方法更新高斯均匀混合模型参数检测离群值，获取目标样本的后验概率，作为衡量伪标签置信度的指标；步骤S4、搭建对抗域适应网络并进行训练；搭建特征提取器、分类器、判别器网络，特征提取器为在常规ImageNet数据集上预训练的特征提取器网络；输入源域和目标域图像，通过对抗域适应网络的前向传播分别获取源域和目标域图像分类器和判别器的输出；对于有标签的源域采用标准的监督式交叉熵损失训练特征提取器和分类器；基于源域和目标域的域标签提出域对抗损失，学习特征提取器和判别器；基于步骤S3获取的目标样本的后验概率，筛选步骤S3的目标样本后验概率高的伪标签结合对抗域适应网络分类器的目标样本预测计算平均绝对误差作为伪标签损失，通过伪标签损失学习对抗域适应网络；采用最小化条件熵损失学习特征远离决策边界；将最终学习好的特征提取器和分类器作为步骤S3的预训练特征提取器和分类器；步骤S5、重复步骤S3-S4，通过迭代分别训练对抗域适应网络和高斯均匀混合模型；在初次训练高斯均匀混合模型时，使用初始化的神经网络为步骤S2预训练的特征提取器、分类器；固定预训练的特征提取器、分类器参数，训练高斯均匀混合模型，得到目标样本的后验概率；在初次训练对抗域适应网络时，使用特征提取器为在常规ImageNet数据集上预训练的特征提取器网络，利用目标样本的后验概率的伪标签损失对域适应任务进行学习；在训练一轮对抗域适应网络后，将对抗域适应学习到的特征提取器、分类器保存，并应用到下一步的高斯均匀混合模型学习当中；步骤S6、基于训练好的对抗域适应网络，输入目标域图像样本，由特征提取器提取特征后，将目标样本特征输入到分类器，并利用softmax方法计算分类器输出的目标样本所属的概率最大的维度，即为目标样本图像的预测标签类别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国矿业大学，其通讯地址为：221116 江苏省徐州市铜山区大学路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。